Серверлердің өнімділігін бақылау – қазіргі заманғы SaaS жобалары үшін аса маңызды мәселе. Мұндай жүйелердің тұрақты жұмыс істеуі мен тиімділігі үшін серверлердің күйін тұрақты түрде қадағалау қажет
Бұл мақалада Isolation Forest алгоритмінің серверлердің өнімділігі мен күйін бақылауға негізделген аномалияларды анықтау мүмкіндіктері қарастырылады. Зерттеудің негізгі гипотезасы – аталмыш алгоритмнің процессор жүктемесі, жедел жадының пайдалану деңгейі, желілік трафик және дискілік кеңістік сияқты негізгі метрикаларды талдау арқылы өнімділіктің төмендеуі мен мүмкін болатын ақауларды ерте кезеңде анықтауға қабілеттілігі.
Зерттеу барысында екі түрлі тәсіл сынақтан өтті: біріншісі әрбір метриканы бөлек талдау, екіншісі – барлық метрикаларды бір көрсеткішке агрегаттау арқылы жүйенің жалпы жағдайын бағалау. Эксперименттердің нәтижелері Isolation Forest алгоритмінің метрикалардағы күрт өзгерістерге өте сезімтал екенін көрсетті, бұл өз кезегінде көптеген жалған дабылдарға әкеледі. Бұл мәселе әсіресе қысқа мерзімді метрикалық серпіндер кезінде маңызды, өйткені олар жүйеде нақты мәселелердің болуын білдірмейді. Мақалада осы тәсілдің шектеулері, соның ішінде гиперпараметрлерді дәл баптаудың қажеттілігі қарастырылады. Сонымен қатар, аномалияларды анықтау дәлдігін арттыру үшін деректерді алдын ала өңдеу және басқа әдістермен үйлестіру сияқты ықтимал шешімдер ұсынылады.
Бұл зерттеу серверлердің өнімділігін бақылау кезінде машиналық оқытудың алдыңғы қатарлы әдістерін қолданудың маңыздылығын көрсетеді, әсіресе жабық бастапқы кодты жүйелер үшін шектеулі метрикалар жағдайында маңызды.
КЕРЕЕВ А.К.
PhD, «Информатика және ақпараттық технологиялар» кафедрасының доценті, Қ.Жұбанова атындағы Ақтөбе өңірлік университеті, Ақтөбе қ., Қазақстан
Е-mail: akereyev@zhubanov.edu.kz, https://orcid.org/0000-0002-8283-5807
Михельсон Олег
Инфрақұрылымның аға инженері, ActivSoft, Ақтөбе қ., Қазақстан
Е-mail: miol@activsoft.kz, https://orcid.org/0009-0009-6753-3120
- Ronchieri E. Anomaly Detection in Data Center IT & Physical Infrastructure / Elisabetta Ronchieri, Luca Giommi, Luigi Benedettto Scarponi, Luca Torzi, Alessandro Costantini, Doina Cristina Duma, Davide Salomoni // EPJ Web of Conf. 295 07004 (2024) DOI: 10.1051/epjconf/202429507004 DOI: https://doi.org/10.1051/epjconf/202429507004
- Bursic S. Anomaly Detection from Log Files Using Unsupervised Deep Learning. / Bursic Sathya, Cuculo Vittorio, D'Amelio Alessandro // Formal Methods. FM 2019 International Workshops. FM 2019. Lecture Notes in Computer Science (), vol 12232. Springer, Cham. DOI: 10.1007/978-3-030-54994-7_15 DOI: https://doi.org/10.1007/978-3-030-54994-7_15
- Gu W. Performance Issue Identification in Cloud Systems with Relational-Temporal Anomaly Detection / Wenwei Gu, Jinyang Liu, Zhuangbin Chen, Jianping Zhang, Yuxin Su, Jiazhen Gu, Cong Feng, Zengyin Yang, Michael Lyu // arXiv, 2023. https://arxiv.org/abs/2307.10869
- Liu F. "Isolation Forest" / Fei Tony Liu, Kai Ming Ting, Zhi-Hua Zhou // 2008 Eighth IEEE International Conference on Data Mining, Pisa, Italy, 2008, pp. 413-422, DOI: 10.1109/ICDM.2008.17. DOI: https://doi.org/10.1109/ICDM.2008.17
- Prometheus. Prometheus documentation. [Электронный ресурс]. – Режим доступа: https://prometheus.io/docs/ (дата обращения: 07.10.2024).
- Scikit Learn. Scikit Learn user guide. [Электронный ресурс]. – Режим доступа: https://scikit-learn.org/stable/user_guide.html (дата обращения: 07.10.2024).